Интеллектуальные методы анализа природных данных: приложение к космической погоде

Бесплатный доступ

В работе описаны методы обнаружения аномалий в данных геофизического мониторинга. Рассмотрен актуальный класс задач этой области, направленный на создание методов прогноза космической погоды. Негативное воздействие аномалий космической погоды на здоровье людей и практически на все объекты современной инфраструктуры требует развития методов и создания эффективных средств обнаружения аномалий. Широко применяемые для задач анализа данных и обнаружения аномалий методы пороговой вейвлет-фильтрации позволяют с использованием стратегии «жадности» получить достаточно точные оценки даже при неполных данных относительно шума. Сигнал в этом случае оценивается путем изоляции когерентных структур. Но эти методы имеют большую вычислительную сложность и в случае, когда энергия сигнала мала относительно энергии шума, не обеспечивают получение точных оценок. Для таких сигналов в работе предлагается использовать адаптивные вероятностные пороги. Вводятся параметры пороговой функции, позволяющие оценить изменчивость процесса, подавить шум и детектировать нестационарные особенности разной частотно-временной структуры. Также в работе рассматриваются способы совмещения пороговой вейвлет-фильтрации с нейронными сетями архитектур NARX и Автокодировщик. Предложены схемы реализации таких подходов в задачах обнаружения аномалий космической погоды. На примере задачи обнаружения ионосферных аномалий показана эффективность совмещения пороговой вейвлет-фильтрации с сетью NARX. Эффективность совместного применения сети Автокодировщик с адаптивной пороговой вейвлет-фильтрацией показана в задаче обнаружения аномалий в данных интенсивности потока космических лучей.

Еще

Методы анализа данных, обнаружение аномалий, космическая погода, вейвлет-преобразование, нейронные сети

Короткий адрес: https://sciup.org/140303290

IDR: 140303290   |   DOI: 10.18287/2412-6179-CO-1367

Список литературы Интеллектуальные методы анализа природных данных: приложение к космической погоде

  • Vorobev AV, Vorobeva GR. Geoinformation system for amplitude-frequency analysis of geomagnetic variations and space weather observation data. Computer Optics 2017; 41(6): 963-972. DOI: 10.18287/2412-6179-2017-41-6-963-972.
  • Mandrikova OV, Zhizhikina EA. An automatic method for estimating the geomagnetic field. Computer Optics 2015; 39(3): 420-428. DOI: 10.18287/0134-2452-2015-39-3-420-428.
  • Mandrikova BS. A method for analyzing complex structured data with elements of machine learning. Computer Optics 2022; 46(3): 506-512. DOI: 10.18287/2412-6179-CO-1088.
  • Mandrikova OV, Fetisova NV, Polozov YA. Hybrid model for time series of complex structure with ARIMA components. Mathematics 2021; 9; 1122.
  • Geppener VV, Mandrikova BS. An automated method for analyzing cosmic ray data and isolating sporadic effects [In Russian]. Journal of Computational Mathematics and Mathematical Physics 2021; 61(7): 1137-1148. DOI: 10.31857/S0044466921070061.
  • Kuznetsov VD. Space weather and risks of space activity [In Russian]. Space technology and technology. 2014; 3(6): 3-13.
  • Murzin BC. Astrophysics of cosmic rays: Textbook for universities [In Russian]. Moscow: "Logos" Publisher; 2007. ISBN: 978-5-98704-171-6.
  • National Space Weather Program. Strategic Plan. Office of Federal Coordinator for Meteorological Services and Supporting Research FCM-P30-1995. Washington DC; 1995, August.
  • World Meteorological Organization. Source: https://public.wmo.int/ru.
  • Mallat SG. A wavelet tour of signal processing. San Diego, CA: Academic Press; 1999.
  • Herley C, Kovacevic J, Ramchandran K, Vetterli M. Tilings of the time-frequency plane: Construction of arbitrary orthogonal bases and feist tiling algorithms. IEEE Trans Signal Proc 1993; 41: 3341-3359.
  • Chen S, Donoho D. Atomic decomposition by basis pursuit. Technical Report. Stanford, CA: Stanford University; 1995.
  • Mallat SG, Zhang ZF. Matching pursuits with time-frequency dictionaries. IEEE Trans Signal Process 1993; 41: 3397-3415.
  • Coifman, RR, Wickerhauser MV. Entropy-based algorithms for best basis selection. IEEE Trans Inf Theory 1992; 38: 713-718.
  • Mandrikova O, Mandrikova B, Rodomanskay A. Method of constructing a nonlinear approximating scheme of a complex signal: Application pattern recognition. Mathematics 2021; 9: 737.
  • Danilov DL, Zhiglyavsky AA. Principal components of time series: The Caterpillar method. Saint-Petersburg: “Presskom” Publisher; 1997.
  • Singh J, Barabanov N. Stability of discrete time recurrent neural networks and nonlinear optimization problems. Neural Netw 2016; 74: 58-72.
  • Diaconescu E. The use of NARX neural networks to predict chaotic time series. WSEAS Trans Comp Res 2008; 3: 182-191.
  • Lin T, Horne BG, Tino P, Giles L. Learning long-term dependencies in NARX recurrent neural networks. IEEE Trans Neural Netw 1996; 7: 1329-1338.
  • Tsungnan L, Giles CL, Horne BG, Kung SY. A delay damage model selection algorithm for NARX neural networks. IEEE Trans Signal Process 1997; 45: 2719-2730.
  • Bengio Y, Simard P, Frasconi P. Learning long-term dependencies with gradient descent is difficult. IEEE Trans Neural Netw 1994; 5: 157-166.
  • Hochreiter S, Schmidhuber J. Long short-term memory. Neural Comput 1997; 9: 1735-1780.
  • Kühnert C, Gonuguntla NM, Krieg H, Nowak D, Thomas JA. Application of LSTM networks for water demand prediction in optimal pump control. Water 2021; 13: 644.
  • Li P, Zhang J, Krebs P. Prediction of flow based on a CNN-LSTM combined deep learning approach. Water 2022; 14: 993.
  • Greff K, Srivastava RK, Koutnik J, Steunebrink BR, Schmidhuber J. LSTM: A search space odyssey. IEEE Trans Neural Netw Learn Syst 2017; 28: 2222-2232.
  • Pascanu R, Mikolov T, Bengio Y. On the difficulty of training Recurrent Neural Networks. Proc 30th Int Conf on Machine Learning 2013: 1-9.
  • Gers F. Long short-term memory in recurrent neural networks. Lausanne, Switzerland: EPFL; 2001.
  • Vizilter YuV, Gorbatsevich VS, Zheltov SY. Structure-functional analysis and synthesis of deep convolutional neural networks. Computer Optics 2019; 43(5): 886-900. DOI: 10.18287/2412-6179-2019-43-5-886-900.
  • Soldatova OP, Lyozin IA, Lyozina IV, Kupriyanov AV, Kirsh DV. Application of fuzzy neural networks for defining crystal lattice types in nanoscale images. Computer Optics 2015; 39(5): 787-794. DOI: 10.18287/0134-2452-2015-39-5-787-794.
  • Rodin IA, Khonina SN, Serafimovich PG, Popov SB. Recognition of wavefront aberrations types corresponding to single Zernike functions from the pattern of the point spread function in the focal plane using neural networks. Computer Optics 2020; 44(6): 923-930. DOI: 10.18287/2412-6179-CO-810.
  • Goodfellow Y, Benjio I, Courville A. Deep learning [In Russian]. Moscow: "DMK Press" Publisher; 2018.
  • Rudin W. Functional analysis. New York: McGraw-Hill, 1973.
  • Riesz F. Sur uneespèce de géométrieanalytique des systèmes de fonctionssommables. Comptesrendus de l'Académie des Sciences 1907; 144: 1409-1411.
  • Chui CK. Introduction to wavelets [In Russian]. Moscow: "Mir" Publisher; 2001. ISBN: 5-03-003397-1.
  • Jaffard S. Pointwise smoothness, two-microlocalization and wavelet coefficients. Publ Mat 1991; 35: 155-168.
  • Witte RS, Witte JS. Statistics. 11th ed. New York, NY: Wiley; 2017.
  • Haykin SS. Neural networks: A comprehensive foundation. 2nd ed. Upper Saddle River, NJ, USA: Prentice Hall; 1999.
  • Danilov AD. Ionospheric F-region response to geomagnetic disturbances. Adv Space Res 2013; 52(3): 343-366.
  • Real-time database of high-resolution neutron monitors. Source: www.nmdb.eu.
  • Schlickeiser R. Cosmic ray astrophysics. Berlin, Heidelberg: Springer GmbH & Co KG; 2002.
  • Abunina MA, Belov AV, Eroshenko EA, Abunin AA, Oleneva VA, Yanke VG, Melkumyan AA. Ring of station method in research of cosmic ray variations: 1. General description. Geomagn Aeron 2020; 60: 38-45.
  • Geomagnetic Equatorial Dst Index Home Page. Source: https://wdc.kugi.kyoto-u.ac.jp/dstdir/.
Еще
Статья научная